数据是碎片化的
医疗信息分散在多个机构之中，因此大范围分析与协作天然就很困难。
在不牺牲数据隐私的前提下实现医疗协作
医疗数据蕴含着巨大的价值，但它们分散在不同机构之中，而且过于敏感，无法自由共享。Onai 让数据协作成为可能，而无需暴露数据本身。
问题
医疗数据是改善结果、发现治疗方法和推动研究最有力的资源之一
但它同时也是受限制最强的资源之一。
数据分散在医院、研究机构和其他组织之中。若想共同使用这些数据，通常需要将数据集中化、把敏感数据迁移到共享环境中、处理法律层面的负担，并接受重大的隐私与安全风险。
结果是，许多重要问题始终得不到解答，许多潜在洞察也始终无法获得。
中心化带来额外负担
汇集数据通常意味着法律复杂性、运营摩擦、安全挑战，以及在真正有用的工作开始之前就出现长时间延迟。
隐私制造了错误的二选一
组织不应该被迫在保护数据隐私和释放数据价值之间做出选择。
我们的方法
使用全部医疗数据，而不暴露它们
Onai 使分布式数据集上的计算成为可能，同时让底层数据保持私密并由其所有者掌控。
数据不必被转移到某个中央位置，而是保留在各个机构内部；查询、模型和计算在多方之间安全执行；最终结果以聚合形式返回，而不会泄露原始数据。
这使组织能够像共享同一个统一数据基础一样协作，而实际上又从未真正将数据集中化。
数据保留在本地
每个机构都保有其底层医疗数据的控制权和管理权。
计算在多站点之间运行
查询、模型和分析工作流可以在多方之间安全执行。
通过密码学确保安全
敏感数据不会暴露给任何参与方，也不会暴露给任何第三方。
这带来了什么
释放 AI 的能力，而无需牺牲隐私
多站点数据分析
在不移动或暴露底层数据的前提下，像使用单一数据集一样跨多个机构运行分析。
多站点模型训练
在分布式数据集上训练机器学习模型，在保持隐私的同时提升性能和泛化能力。
使用外部模型进行安全推理
在不暴露敏感数据的前提下使用第三方模型，或在机构之间部署模型而不泄露模型本身。
案例研究
无需共享数据的跨机构分析
一组机构希望理解不同人群中的患者结果，但由于隐私、监管和运营约束，它们无法把数据集中到一起。
借助 Onai 的方法，每个机构都将数据保留在本地，同时参与一个共享计算过程。查询在多方之间执行，返回的只有聚合结果。
得到的效果相当于中心化分析，而没有任何机构需要放弃对其数据的控制权。
适用对象
面向那些需要让医疗数据协同工作的组织
01
研究人员
跨机构协作，接触更大规模的有效数据集，并开展那些在没有复杂数据共享协议的情况下根本无法完成的分析。
02
医疗系统
参与一个更广泛的生态系统，在其中数据可以安全地跨组织使用，从而催生新的价值创造方式、洞察生成方式以及数据驱动型市场。